System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于土壤湿度预测,具体涉及基于平均聚类采样策略的全球土壤湿度预测方法。
技术介绍
1、土壤湿度(sm)是气候、水文和生态系统中的一个关键状态变量,将大气过程与陆地表面状态耦合在一起,进一步影响了降水模式、地表温度、地表-大气能量交换以及生态系统的健康和生产力。因此准确预测全球土壤湿度对于有效应对气候变化、保障水资源安全和促进生态系统健康至关重要。
2、目前,土壤湿度预报模型主要分为两类:基于物理的过程模型和数据驱动的经验模型。过程模型是采用物理方程控制土壤湿度动力学的水文过程。基于过程模型的短期土壤湿度预报可分为两种方式:第一种方式是以实时预测模式运行的水文预报模型。此方式需要大气模式生成(在线)或观测得到的降水、辐射等气象要素场来驱动(离线),并将土壤湿度计算作为陆地表面数据同化方案的一部分;第二种方式是陆面过程模型,它们可以在从单个点到区域乃至全球的不同尺度上运行,同样可以采用在线或离线的方式进行。然而,陆面和水文预报模式存在统计分布假设较强、土壤性质不确定和气象场输入数据不准确,同时陆面过程模式各模型存在物理过程表达不完善和参数化方案误差大,这些局限性使预测土壤湿度带来较大误差。
3、数据驱动的经验模型通过构建解释变量(大气观测:气温、降水和太阳辐射等;地表观测:土壤温度和植被等)和土壤湿度的映射,用端到端的方式描述二者间非线性关系而实现预报。数据驱动方法主要分为统计方法、机器学习和深度学习。近些年,以深度学习为代表的数据驱动模型在全球土壤湿度预报领域展现出极大的优势,取得了显著的成果。l
4、基于此,提出了基于平均聚类采样策略的全球土壤湿度预测方法。
技术实现思路
1、本专利技术所要解决的技术问题在于针对上述现有技术的不足,提供基于平均聚类采样策略的全球土壤湿度预测方法,以解决上述
技术介绍
中提出的问题。
2、为解决上述技术问题,本专利技术采用的技术方案是:基于平均聚类采样策略的全球土壤湿度预测方法,包括以下步骤:
3、先分别选取土壤水分保持能力 soil water capacity、土地类型 landtype、土壤砂含量 soil sand、土壤黏土含量 soil clay、土壤粉砂含量 soil silt、数字高程模型dem六个关键变量作为土壤特性区分的依据,采用k-means聚类算法对上述变量进行聚类,并可视化展示分类结果,从每个区域中均匀抽取batch size/k数量的样本,并将选出的样本传入lstm-based模型,聚类平均采样的思想融入了三个模型:lstm model、encoderdecoderlstm、attentionlstm,完成预测模型的训练,最后进行评估。
4、作为本专利技术的进一步说明,k-means聚类算法对某一个静态变量进行聚类,首先需要预先指定初始簇的数量,即定义的土壤湿度变化特性类别的数量;
5、然后随机初始化簇中的聚类中心,其次,对于静态变量中每个样本xj,计算它到每个聚类中心的距离,并将其分配到最近的聚类中心所在的簇,使用欧几里得距离来计算两点之间的距离,公式为:
6、
7、之后,对于每个簇,重新计算聚类中心,使其成为簇内所有点的均值,聚类中心更新公式为:
8、
9、其中,ci 表示第i个簇中的所有样本的集合,
10、| ci | 是簇ci中样本的数量,重复直到聚类中心不再发生变化,将对应的静态变量中每个样本赋予相应的标签,用来标记该样本所属的簇;
11、然后在每个簇中样本所对应的区域中,均匀抽取该区域对应的输入放置模型中进行训练。公式如下所示:
12、
13、表示簇的数量;
14、表示每个批次的大小,即进入模型训练的样本数量;
15、int表示取整函数;
16、表示属于第i簇的第k个样本;
17、ci表示第i个簇中的所有样本的集合;
18、最后将每一批次得到的输入至模型中进行训练。
19、作为本专利技术的进一步说明,lstm model的预测模型的实验设置输入数据由t-365天到t-1天的15个变量组成,batch size大小设置为64,预测模型的输入大小为64×365×15,输出是未来第1天的预测土壤湿度,大小与输入相同,对于基于lstm的预测模型,隐藏层的大小设置为128,将其送入dropout层,最后通过基于lstm在t-1天的输出的全连接层,得到了未来1天的预测sm,迭代次数经验性地设置为400,批量大小设置为128,并使用adam优化器进行训练。
20、作为本专利技术的进一步说明,encoderdecoder lstm中编码器利用lstm模型和全连接层,提取与土壤湿度相关的输入数据特征,捕捉影响土壤湿度变化的关键因素,全连接层主要是整合提取的特征,将lstm层的输出映射到输出维度,解码器通过lstm层处理编码器的输出特征,有助于模型进一步细化对土壤湿度相关的时间序列特征的解析,encoderdecoder lstm模型通过分析当前数据与土壤湿度变化趋势,有效地捕捉了时间序列数据的动态变化趋势,从而提高了对未来土壤湿度变化的预测准确性。
21、作为本专利技术的进一步说明,attentionlstm预测模型的实验设置,输入数据与lstm模型相同,通过并行处理,多头注意力机制有效区分并量化了各个预测变量在不同时间尺度上对土壤湿度的具体影响,最终利用全连接层将最后一天的数据转换为预测结果。
22、本专利技术与现有技术相比具有以下优点:
23、1、本专利技术将分组采样机制融入不同的lstm-based模型组成cas-lstm、cas-encoderdecoderlstm和cas-attentionlstm。观察是否可以提高对未来一天的土壤湿度的预测性能,在cas-lstm-based模型测试不同土壤属性(soil water capacity、landtype、soil sand、soil clay、soil silt、dem),确定最好的表征属性,并在此基础上预测土壤湿度。
24、2、本专利技术中的方法展示了聚类平均采样方法在模型批次训练中具有显著的优势,该方法能够加强批次训练的多样性,降低因数据不平衡所造成的偏差,提升模型的泛化能力和稳定性,为其他研究者在全球陆面要素预测中提供了一个新的范式。
本文档来自技高网...【技术保护点】
1.基于平均聚类采样策略的全球土壤湿度预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于平均聚类采样策略的全球土壤湿度预测方法,其特征在于,K-means聚类算法对某一个静态变量进行聚类,首先需要预先指定初始簇的数量,即定义的土壤湿度变化特性类别的数量;
3.根据权利要求1所述的基于平均聚类采样策略的全球土壤湿度预测方法,其特征在于,LSTM Model的预测模型的实验设置输入数据由T-365天到T-1天的15个变量组成,batchsize大小设置为64,预测模型的输入大小为64×365×15,输出是未来第1天的预测土壤湿度,大小与输入相同,对于基于LSTM的预测模型,隐藏层的大小设置为128,将其送入dropout层,最后通过基于LSTM在T-1天的输出的全连接层,得到了未来1天的预测SM,迭代次数经验性地设置为400,批量大小设置为128,并使用Adam优化器进行训练。
4.根据权利要求1所述的基于平均聚类采样策略的全球土壤湿度预测方法,其特征在于,EncoderDecoder LSTM中编码器利用LSTM模型和全连接层,提
5.根据权利要求1所述的基于平均聚类采样策略的全球土壤湿度预测方法,其特征在于,AttentionLSTM预测模型的实验设置,输入数据与LSTM 模型相同,通过并行处理,多头注意力机制有效区分并量化了各个预测变量在不同时间尺度上对土壤湿度的具体影响,最终利用全连接层将最后一天的数据转换为预测结果。
...【技术特征摘要】
1.基于平均聚类采样策略的全球土壤湿度预测方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于平均聚类采样策略的全球土壤湿度预测方法,其特征在于,k-means聚类算法对某一个静态变量进行聚类,首先需要预先指定初始簇的数量,即定义的土壤湿度变化特性类别的数量;
3.根据权利要求1所述的基于平均聚类采样策略的全球土壤湿度预测方法,其特征在于,lstm model的预测模型的实验设置输入数据由t-365天到t-1天的15个变量组成,batchsize大小设置为64,预测模型的输入大小为64×365×15,输出是未来第1天的预测土壤湿度,大小与输入相同,对于基于lstm的预测模型,隐藏层的大小设置为128,将其送入dropout层,最后通过基于lstm在t-1天的输出的全连接层,得到了未来1天的预测sm,迭代次数经验性地设置为400,批量大小设置为128,并使用adam优化器进行训练。
4.根据...
【专利技术属性】
技术研发人员:李清亮,肖祺昀,张程,朱金龙,李叶光,陈霄,上官微,魏忠旺,李璐,
申请(专利权)人:长春师范大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。